Does the Big Five Explain Envy? ‘True’ Correlations and Associations with Age, Sex, Education, and Income in Multi-rater Data
Notice bibliographique
Résumé
Most of the literature has examined envy using predominantly self-report measures. In the current study, we combined self- and informant-reports to estimate personality domains’ (Big Five, Dark Dyad) ‘true’ correlations (rtrues) with benign and malicious envy using three samples tested in different languages (Estonian, N = 20,925; Russian, N = 767; English, N = 593). This allowed us to control for measurement- and occasion-specific biases, as well as random error. We assessed how the two types of envy relate to age, sex, education, and income (both personal and household). Additionally, we conducted linear regressions on self-reports (Estonian, N = 62,545; Russian, N = 3025; English, N = 640), controlling for the Big Five and demographic variables. Big Five domains’ rtrues with benign (-.65 to .21; -.69 to .37; -.76 to .08) and malicious envy (-.40 to .26; -.47 to .30; -.49 to .14) replicated across the Estonian-, Russian-, and English-speaking samples, respectively. Across the three samples, we found benign and malicious envy to be negatively associated with age (in years) and sex (female). In the Estonian-speaking sample, those with higher levels of benign and malicious envy tended to report higher personal and household incomes. Our findings show that envy is not redundant with the Big Five personality domains. We also highlight the importance of incorporating and collecting data from multiple raters in personality studies, especially for socially transgressive traits.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».